선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 풍력발전량은 자료의 특성상 시계열자료에 해당되므로 시계열예측모형인 ARMA모형을 통해 예측가능하다. 따라서 본 연구에서는 ARMA모형을 통해 풍력발전량을 예측해 보고, 더불어 데이터마이닝기법 중의 하나인 신경망 (neural network)기법을 적용하여 풍력발전량 단기예측모형을 구축하고자 한다. 특히 풍력에너지의 변동특성을 은닉계층 내에서 자동으로 구성하는 장점이 있는 다층펴셉트론 (multi-layer perceptron)신경망을 사용하여 풍력발전량을 예측한다.
- 본 연구에서는 이러한 풍력발전예보시스템 구축을 위한 사전단계로 인근 서해안인 군산풍력발전단지의 풍력발전량에 대한 단기예측모형을 구축하고자 한다. 풍력발전량은 자료의 특성상 시계열자료에 해당되므로 시계열예측모형인 ARMA모형을 통해 예측가능하다.
제안 방법
- 1과 같다. ARMA(1,2)모형의 모형구축용 자료, 모형평가용 자료 각각에 대한 RMSE값과 15개의 신경망모형 중 모형구축용 자료의 RMSE값 기준으로 상위 다섯 개의 가장 적합한 모형을 선택하여 각각의 자료에 대해 RMSE값을 비교한 것이다.
- 군산풍력발전단지의 1시간 단위 풍력발전량자료로 ARMA모형과 신경망모형을 구축하였다. ARMA 모형은 잔차의 ACF (autocorrelation function), PACF (partial autocorrelation function) 등을 확인하여 가장 적합한 모수 p, q를 찾았다.
- 신경망모형은 현시점으로부터 1시간 후의 풍력발전량을 예측하기 위해 현재시점의 풍력과 과거시점인 한 시간 전의 풍력발전량과 두 시간 전의 풍력발전량을 각각 차례대로 독립변수에 추가시켜가며 모형을 구축해 보았다. 그리고 은닉층의 노드 수는 최소 1개부터 최대 5개까지 늘려가며 각각의 경우에 대해 모형을 구축하였다. 편의를 위해 종속변수와 독립변수 및 노드의 수에 따른 각각의 신경망모형을 Table 2.
- 이를 위하여 본 연구에서는 군산풍력발전단지의 1시간 단위 전력생산량자료를 기반으로 시계열예측모형인 ARMA모형과 데이터마이닝 기법 중 신경망모형을 사용하여 풍력발전량 단기예측모형을 구축하였다. 모형구축용 자료를 이용하여 모형을 구축하고, 구축된 모형을 모형평가용 자료에 적합시켜 ARMA모형과 신경망모형을 비교하였다. 그 결과 독립변수로 현재시점과 과거시점인 한시간전과 두시간전의 풍력발전량을 독립변수로 하고 은닉층 노드의 개수가 5개인 신경망모형이 정확도 측면에서 가장 적합한 것으로 나타났다.
- 신경망모형은 현시점으로부터 1시간 후의 풍력발전량을 예측하기 위해 현재시점의 풍력과 과거시점인 한 시간 전의 풍력발전량과 두 시간 전의 풍력발전량을 각각 차례대로 독립변수에 추가시켜가며 모형을 구축해 보았다. 그리고 은닉층의 노드 수는 최소 1개부터 최대 5개까지 늘려가며 각각의 경우에 대해 모형을 구축하였다.
- 예측모형들의 좀 더 구체적인 비교를 위해 정확도의 향상률을 측정해보았다. Table 3.
- 바람의 불규칙적인 특성으로 인해 어려운 전력시장에서의 안정적인 거래와 풍력발전단지의 효율적인 운영에 있어서 정확한 풍력발전량 예측은 매우 중요하고 필요한 요소이다. 이를 위하여 본 연구에서는 군산풍력발전단지의 1시간 단위 전력생산량자료를 기반으로 시계열예측모형인 ARMA모형과 데이터마이닝 기법 중 신경망모형을 사용하여 풍력발전량 단기예측모형을 구축하였다. 모형구축용 자료를 이용하여 모형을 구축하고, 구축된 모형을 모형평가용 자료에 적합시켜 ARMA모형과 신경망모형을 비교하였다.
- 특히 풍력에너지의 변동특성을 은닉계층 내에서 자동으로 구성하는 장점이 있는 다층펴셉트론 (multi-layer perceptron)신경망을 사용하여 풍력발전량을 예측한다. 주어진 군산 풍력발전단지의 전력생산량 자료를 각각 모형구축용 자료 (training set)와 모형평가용 자료 (test set)로 분할하여, 모형구축용 자료를 통해 ARMA모형과 신경망모형을 구축하고, 모형평가용 자료를 통해 구축된 모형들을 비교 평가한다.
- 따라서 본 연구에서는 ARMA모형을 통해 풍력발전량을 예측해 보고, 더불어 데이터마이닝기법 중의 하나인 신경망 (neural network)기법을 적용하여 풍력발전량 단기예측모형을 구축하고자 한다. 특히 풍력에너지의 변동특성을 은닉계층 내에서 자동으로 구성하는 장점이 있는 다층펴셉트론 (multi-layer perceptron)신경망을 사용하여 풍력발전량을 예측한다. 주어진 군산 풍력발전단지의 전력생산량 자료를 각각 모형구축용 자료 (training set)와 모형평가용 자료 (test set)로 분할하여, 모형구축용 자료를 통해 ARMA모형과 신경망모형을 구축하고, 모형평가용 자료를 통해 구축된 모형들을 비교 평가한다.
- 본 연구에서는 1개의 은닉층을 가진 다층퍼셉트론 신경망모형을 사용하였다. 활성함수로 쌍곡 탄젠트 (hyperbolic tangent)함수를 사용 하였고 합성함수와 최종활성함수로는 선형결합함수를 사용하였다. 쌍곡 탄젠트함수는 식 (2.
대상 데이터
- 풍력발전량 단기예측모형 구축을 위해 군산풍력발전단지의 2008년 3월 1일부터 2010년 2월 28일까지 시간당 풍력발전량 자료를 이용하였다. Figure 2.1은 1시간 단위 풍력발전량을 나타낸 것으로 그림에서와 같이 모형의 구축과 평가를 위해 2008년 3월 1일부터 2009년 2월 28일까지의 1년간 자료를 이용하여 모형을 구축하였으며, 나머지 2009년 3월 1일부터 2010년 2월 28일까지의 1년간 자료를 이용하여 모형을 평가하였다.
- 풍력발전량 단기예측모형 구축을 위해 군산풍력발전단지의 2008년 3월 1일부터 2010년 2월 28일까지 시간당 풍력발전량 자료를 이용하였다. Figure 2.
이론/모형
- 본 연구에서는 1개의 은닉층을 가진 다층퍼셉트론 신경망모형을 사용하였다. 활성함수로 쌍곡 탄젠트 (hyperbolic tangent)함수를 사용 하였고 합성함수와 최종활성함수로는 선형결합함수를 사용하였다.
- 본 연구에서는 시계열예측모형으로 ARMA모형을 구축하고, 데이터마이닝 기법인 신경망모형을 적용해 풍력발전량 단기예측모형을 구축하였다. ARMA모형은 시간이 흘러도 변하지 않는 정상적인 (stationary)현재와 과거간의 선형관계를 찾아내어 예측을 시도하는 것이다 (Lee, 2012).
- 본 연구에서는 이러한 풍력발전예보시스템 구축을 위한 사전단계로 인근 서해안인 군산풍력발전단지의 풍력발전량에 대한 단기예측모형을 구축하고자 한다. 풍력발전량은 자료의 특성상 시계열자료에 해당되므로 시계열예측모형인 ARMA모형을 통해 예측가능하다. 따라서 본 연구에서는 ARMA모형을 통해 풍력발전량을 예측해 보고, 더불어 데이터마이닝기법 중의 하나인 신경망 (neural network)기법을 적용하여 풍력발전량 단기예측모형을 구축하고자 한다.
성능/효과
- 군산풍력발전단지의 1시간 단위 풍력발전량자료로 ARMA모형과 신경망모형을 구축하였다. ARMA 모형은 잔차의 ACF (autocorrelation function), PACF (partial autocorrelation function) 등을 확인하여 가장 적합한 모수 p, q를 찾았다. 여러 가지 모형을 적합해본 결과 모형평가용 자료의 RMSE (root mean square error) 값이 가장 작으며, 잔차분석을 통해 가장 적합한 것으로 나타난 ARMA(1,2)모형이 선택되었다.
- 모형구축용 자료를 이용하여 모형을 구축하고, 구축된 모형을 모형평가용 자료에 적합시켜 ARMA모형과 신경망모형을 비교하였다. 그 결과 독립변수로 현재시점과 과거시점인 한시간전과 두시간전의 풍력발전량을 독립변수로 하고 은닉층 노드의 개수가 5개인 신경망모형이 정확도 측면에서 가장 적합한 것으로 나타났다.
- 2와 같이 나타났다. 시계열 예측 모형 ARMA(1,2)모형은 persistent모형 대비 2.61%의 향상률을 보였으며, 신경망모형 중 가장 예측력이 좋은 NN(2,5)모형의 경우 persistent모형에 비해 3.55%의 향상률을 보였다.
- ARMA 모형은 잔차의 ACF (autocorrelation function), PACF (partial autocorrelation function) 등을 확인하여 가장 적합한 모수 p, q를 찾았다. 여러 가지 모형을 적합해본 결과 모형평가용 자료의 RMSE (root mean square error) 값이 가장 작으며, 잔차분석을 통해 가장 적합한 것으로 나타난 ARMA(1,2)모형이 선택되었다. 또한 Table 2.
- 6385인 것으로 나타났다. 예측결과가 좋은 상위 5개의 신경망 모형들의 RMSE값을 보면 모형구축용과 모형평가용 자료 모두에서 ARMA(1,2)모형보다 작은 RMSE값을 나타내는 것을 알 수 있다. 신경망모형 중 가장 예측력이 좋은 모형은 모형평가용 자료를 기준으로 했을 때 RMSE값이 0.
후속연구
- 또한, 현재 비교한 시계열모형과 신경망모형의 비교를 위하여 RMSE가 작은 모형을 모형 선택의 기준으로 하였다. 따라서 시계열자료의 정상성 여부, 모형 평가 측도의 다양성 등 모형의 고도화 작업을 위한 좀 더 심도 있는 분석은 향후과제로 남겨두고자 한다.
- 향후에는 현시점으로부터 1시간 후의 풍력에 대한 예측 뿐 만아니라 3∼6시간 이후의 풍력에 대한 예측으로 확장시켜 나가고자 한다. 또한, 바람의 불규칙적인 특성을 고려하기 위하여 풍속 및 풍향 등의 기상학적 요소들을 추가로 이용해 더 좋은 예측력과 효율성을 가진 풍력발전량 예측모형을 구축해 볼 필요가 있다. 또한, 현재 비교한 시계열모형과 신경망모형의 비교를 위하여 RMSE가 작은 모형을 모형 선택의 기준으로 하였다.
- 본 연구에서는 군산풍력발전단지를 대상으로 분석하였는데 향후 풍력이 생산되는 다른 지역에 대해서도 풍력발전량 예측모형을 확장 적용하여 우리나라의 실정에 맞는 모형을 구축하고 활용함으로써 우리나라 풍력발전 산업 성장에 기여할 수 있을 것이다.
- 풍력발전량의 예측은 에너지생산과 전력시장에서의 안정성을 보장하기 위한 중요한 요소이기 때문에 세계적으로 여러 가지 통계적 기법을 기반으로 풍력발전량 예측모형이 개발되고 있다. 우리나라도 향후 서해상에 대규모 풍력발전단지를 개발할 예정으로 개발 시에는 풍력발전예보시스템 구축이 필요하다. 풍력발전예보시스템이란 풍력발전단지에 의해 생산되는 전력량을 통계적 기법을 이용한 예측모형을 통해 사전에 예측하는 것을 말한다 (Abraham과 Ledolter, 2005).
- 향후에는 현시점으로부터 1시간 후의 풍력에 대한 예측 뿐 만아니라 3∼6시간 이후의 풍력에 대한 예측으로 확장시켜 나가고자 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.